基于分形几何和概率协作的运动想象任务识别方法技术

本发明专利技术公开了一种基于分形几何和概率协作的运动想象任务识别方法，属于脑机接口领域，本发明专利技术要解决的技术问题为如何有效提取脑电信号的特征数据并匹配最佳分类器以及如何设计出高效率高精度的脑机接口系统，采用的技术方案为：该方法的具体步骤如下：S1、获取脑电信号，并对脑电信号进行预处理；S2、将功率谱密度特征与分形特征相结合组成新的组合特征；S3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。

Motion Imagination Task Recognition Based on Fractal Geometry and Probabilistic Collaboration

【技术实现步骤摘要】
基于分形几何和概率协作的运动想象任务识别方法
本专利技术涉及脑机接口领域，具体地说是一种基于分形几何和概率协作的运动想象任务识别方法。
技术介绍
脑-机接口(Brain-ComputerInterface，BCI)是一种能使人脑不依赖于运动系统直接与计算机或其它外部设备建立通信的信息通道，为广大患有肌肉萎缩、脑干中风和脊髓损伤等疾病的患者提供与外界交流和通信的途径，有效地提高其生活质量。基于运动想象的脑电信号的研究是BCI
的一个重点研究方向，运动想象是指个体在大脑中想象执行某些动作且不伴随任何肢体动作的过程。基于运动想象的BCI系统的一般步骤是信号采集、信号处理和应用。个体进行运动想象的过程中会激发大脑运动皮层脑电节律的变化，大脑同侧运动皮层脑电节律幅度就会升高，产生事件相关同步现象(Event-RelatedSynchronization，ERS)，而对侧的脑电节律幅度会降低，产生事件相关去同步现象(Event-RalatedDesynchronization，ERD)。信号处理是基于运动想象的BCI系统的核心部分，主要包括预处理、特征提取和分类识别等步骤。特征提取和分类是信号处理的关键环节，特征提取可以有效捕捉脑电信号的关键信息，分类识别则根据特征提取捕捉到的信息翻译出用户的意图。目前常见的特征提取方法从时域、频域、空域等角度来分析脑电信号，例如短时傅里叶变换(Short-TimeFourierTransform，STFT)，小波变换(WaveletTransform，WT)，S变换(STransform，ST)，共空间模式(CommonSpatialPattern，CSP)等等，另外一些组合特征方法也逐渐应用于分析脑电信号，良好的特征提取是获得满意分类结果的基础。作为用户意图的翻译器，分类方法在BCI系统中同样占据着至关重要的地位，常用的分类器有贝叶斯线性判别分析(BayesLinearDiscriminantAnalysis，BLDA)，朴素贝叶斯分类器(NaiveBayesClassifier，NBC)，梯度boosting(GradientBoosting，GB)，支持向量机(SupportVectorMachine，SVM)等等。目前，协作表示分类(CollaborativeRepresentaionBasedClassification，CRC)算法由于运算复杂度低引起了人们的广泛关注，概率协作表示分类器(ProbabilisticCollaborativeRepresentationBasedClassifier，ProCRC)是一种新的分类方式，其从概率角度分析CRC算法，并已经成功应用于人脸识别领域。脑电信号具有幅度微弱、信噪比低、非平稳性、非线性的特点，其分析和处理一直是具有相当难度的研究课题，尽管许多特征提取方法和分类算法已经在BCI领域取得了良好的识别结果，但如何有效提取脑电信号的特征信息以及匹配最佳分类器仍是目前BCI领域研究的重点。基于运动想象的脑电信号相比于诱发式如刺激类脑电信号的幅值更小，信号波动更低，分析处理的难度相对更大一些。此外，提取特征维度过多或分类器调参过程比较复杂都会导致算法复杂度增高，计算效率降低。故如何有效提取脑电信号的特征数据并匹配最佳分类器以及如何设计出高效率高精度的脑机接口系统仍是目前BCI领域研究的难点。专利号为CN106991409A的专利文献公开了一种运动想象脑电信号特征提取与分类系统及方法，该方法基于一种运动想象脑电信号特征提取与分类系统，该方法的具体步骤包括：对运动想象脑电信号的训练：将脑机接口系统采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；对运动想象脑电信号的测试：将脑机接口系统采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。但是该技术方案不能有效提取脑电信号的特征数据并匹配最佳分类器，设计出高效率高精度的BCI。
技术实现思路
本专利技术的技术任务是提供一种基于分形几何和概率协作的运动想象任务识别方法，来解决如何有效提取脑电信号的特征数据并匹配最佳分类器以及如何设计出高效率高精度的脑机接口系统的问题。本专利技术的技术任务是按以下方式实现的，基于分形几何和概率协作的运动想象任务识别方法，具体步骤如下：S1、获取脑电信号，并对脑电信号进行预处理；S2、将功率谱密度(PowerSpectralDensity，PSD)特征与分形特征相结合组成新的组合特征；S3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。作为优选，所述步骤S1中的脑电信号由训练集、测试集、训练集类别标签和测试集类别标签组成；所述步骤S1中对脑电信号进行预处理是指对脑电信号进行降采样处理。作为优选，所述步骤S2中将功率谱密度特征与分形特征相结合组成新的组合特征的具体步骤如下：S201、采用改进S变换(ModifiedS-Transform，MST)算法对预处理后的脑电信号的每一个信道提取功率谱密度特征；S202、利用毯子覆盖技术计算脑电信号每个信道的不同覆盖层的分形特征；S203、将步骤S201中的功率谱密度特征与步骤S202中的分形特征相结合。更优地，所述步骤S201中改进S变换算法的表达式为：其中，x(t)表示一维皮层脑电图(Electrocorticography，ECoG)时间序列；x表示脑电信号；g(τ-t,f)表示高斯窗函数，表达式为：σ2(f)表示高斯窗函数标准差，计算公式为：τ表示平移因子；f表示频率；t表示时间；i表示虚函数；p和q表示尺度因子，不断调整尺度因子的取值，改变高斯窗口的宽度，进而提取出最合适的功率谱密度特征数据，选取最佳参数。更优地，所述步骤S201中功率谱密度特征数据是信号的MST与MST的共轭乘积的数学期望，表达式为：更优地，所述步骤S202中的分形特征的提取是以非线性动力学为基础，将分形几何理论知识应用到脑电信号的分析中，一维皮层脑电图时间序列的毯子维计算公式如下：D＝1-logδ[L(δ)/β]；其中，D表示一维皮层脑电图时间序列x(t)的毯子维；β表示常数；δ表示尺度；在二维空间内，与脑电信号x(t)相距δ距离的所有点构成一个条状带，L(δ)表示覆盖条状带的长度，表达式为：其中，A(δ)表示尺度δ对应的面积，计算公式为：其中，uδ(t)和bδ(t)分别表示x(t)的上下覆盖线，当δ＝0时，覆盖线与x(t)重合；当δ是正整数时，覆盖线表示为：更优地，所述步骤S3中采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类的具体步骤如下：S301、将特征数据和类别标签输入概率协作表示分类器中并对所有特征数据进行标准化处理；S302、设置分类器参数、计算训练数据的投影矩阵并根据训练集投影矩阵计算出编码向量；S303、测试集数据根据编码向量预测出测试集类别标签，将预测的测试集类别标签的值与实际的测试集类别标签的值对比得到分类精度本文档来自技高网...

【技术保护点】
1.基于分形几何和概率协作的运动想象任务识别方法，其特征在于，具体步骤如下：S1、获取脑电信号，并对脑电信号进行预处理；S2、将功率谱密度特征与分形特征相结合组成新的组合特征；S3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。

【技术特征摘要】
1.基于分形几何和概率协作的运动想象任务识别方法，其特征在于，具体步骤如下：S1、获取脑电信号，并对脑电信号进行预处理；S2、将功率谱密度特征与分形特征相结合组成新的组合特征；S3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。2.根据权利要求1所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S1中的脑电信号由训练集、测试集、训练集类别标签和测试集类别标签组成；所述步骤S1中对脑电信号进行预处理是指对脑电信号进行降采样处理。3.根据权利要求1所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S2中将功率谱密度特征与分形特征相结合组成新的组合特征的具体步骤如下：S201、采用改进S变换算法对预处理后的脑电信号的每一个信道提取功率谱密度特征；S202、利用毯子覆盖技术计算脑电信号每个信道的不同覆盖层的分形特征；S203、将步骤S201中的功率谱密度特征与步骤S202中的分形特征相结合。4.根据权利要求3所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S201中改进S变换算法的表达式为：其中，x(t)表示一维皮层脑电图时间序列；g(τ-t,f)表示高斯窗函数，表达式为：σ2(f)表示高斯窗函数标准差，计算公式为：τ表示平移因子；f表示频率；t表示时间；i表示虚函数；p和q表示尺度因子，不断调整尺度因子的取值，改变高斯窗口的宽度，进而提取出最合适的功率谱密度特征数据，选取最佳参数；x表示脑电信号。5.根据权利要求3或4所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S201中功率谱密度特征数据是信号的MST与MST的共轭乘积的数学期望，表达式为：6.根据权利要求3所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S202中的分形特征的提取是以非线性动力学为基础，将分形几何理论知识应用到脑电信号的分析中，一维皮层脑电图时间序列的毯子维计算公式如下：D＝1-logδ[L(δ)/β]；其中，D表示一维皮层脑电图时间序列x(t)的毯子维；β表示常数；δ表示尺度；在二维空间内，与脑电信号x(t)相距δ距离的所有点构成一个条状带，L(δ)表示覆盖条状带的长度，表达式为：其中，A(δ)表示尺度δ对应的面积，计算公式为：其中，uδ(t)和bδ(...

【专利技术属性】
技术研发人员：徐舫舟，郑文风，荣芬奇，苗芸菁，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37